USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska) [deprecated]

USFS/GTAC/LCMS/v2021-7
Dostępność zbioru danych
1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
Dostawca zbioru danych
Fragment kodu Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
Tagi
zmień
change-detection
lasu
gtac
pokrycie terenu,
pochodzące z Landsata
landuse
landuse-landcover
lcms
redcastle-resources
rmrs
pochodzące z satelity Sentinel-2
serii czasowych,
usda
usfs

Opis

Ten produkt jest częścią pakietu danych Landscape Change Monitoring System (LCMS). Wyświetla zmiany modelowane za pomocą LCMS, pokrycie terenu lub klasy użytkowania terenu w poszczególnych latach. Ta wersja LCMS obejmuje kontynentalne Stany Zjednoczone (CONUS) i południowo-wschodnią Alaskę (SEAK).

LCMS to system oparty na teledetekcji, który służy do mapowania i monitorowania zmian w krajobrazie w Stanach Zjednoczonych. Jego celem jest opracowanie spójnego podejścia z wykorzystaniem najnowszych technologii i osiągnięć w zakresie wykrywania zmian, aby stworzyć „najlepszą dostępną” mapę zmian krajobrazu.

Dane wyjściowe obejmują 3 produkty roczne: zmiany, pokrycie terenu i zagospodarowanie terenu. Zmiana dotyczy konkretnie pokrywy roślinnej i obejmuje powolną utratę, szybką utratę (która obejmuje również zmiany hydrologiczne, takie jak zalanie lub wysychanie) oraz przyrost. Te wartości są prognozowane dla każdego roku w ciągu czasowym Landsat i stanowią podstawowe produkty dla LCMS. Mapy pokrycia i użytkowania terenu przedstawiają pokrycie terenu na poziomie form życia oraz użytkowanie terenu na poziomie ogólnym w każdym roku.

Żaden algorytm nie sprawdza się najlepiej w każdej sytuacji, dlatego LCMS wykorzystuje zespół modeli jako predyktory, co zwiększa dokładność map w różnych ekosystemach i procesach zmian (Healey i in., 2018). Powstały zestaw map zmian w pokryciu i zagospodarowaniu terenu oraz zmian w pokryciu terenu za pomocą LCMS zapewnia całościowy obraz zmian w krajobrazie Stanów Zjednoczonych w ciągu ostatnich 40 lat.

Warstwy predykcyjne modelu LCMS obejmują dane wyjściowe algorytmów wykrywania zmian LandTrendr i CCDC oraz informacje o terenie. Dostęp do tych komponentów i ich przetwarzanie odbywa się za pomocą Google Earth Engine (Gorelick i in., 2017).

Dane dotyczące odbicia światła słonecznego od powierzchni na poziomie 1C z satelitów Landsat Tier 1 i Sentinel 2A, 2B są używane bezpośrednio w CCDC oraz do tworzenia rocznych kompozytów dla LandTrendr. Algorytm maskowania chmur cFmask (Foga i in., 2017), który jest implementacją Fmask 2.0 (Zhu i Woodcock, 2012) (tylko Landsat), cloudScore (Chastain i in., 2019) (tylko Landsat) i s2cloudless (Sentinel-Hub, 2021) (tylko Sentinel 2) są używane do maskowania chmur, a TDOM (Chastain i in., 2019) jest używana do maskowania cieni chmur (Landsat i Sentinel-2). W przypadku LandTrendr obliczany jest następnie roczny medoid, aby podsumować wartości bez chmur i cieni chmur z każdego roku w jednym obrazie kompozytowym.

Złożony ciąg czasowy jest segmentowany czasowo za pomocą algorytmu LandTrendr (Kennedy i in., 2010; Kennedy i in., 2018; Cohen i in., 2018).

Wszystkie wartości bez chmur i cieni chmur są również segmentowane czasowo za pomocą algorytmu CCDC (Zhu i Woodcock, 2014).

Surowe wartości złożone, dopasowane wartości LandTrendr, różnice parami, czas trwania segmentu, wielkość zmiany i nachylenie oraz współczynniki sinusa i cosinusa CCDC z 1 września (pierwsze 3 harmoniczne), dopasowane wartości i różnice parami, a także indeksy wysokości, nachylenia, sinusa i cosinusa ekspozycji oraz indeksy położenia topograficznego (Weiss, 2001) z 10-metrowego krajowego zbioru danych o wysokości (NED) (Gesch i in., 2009) i w przypadku SEAK użyto 30-metrowego modelu NED, które są używane jako niezależne zmienne predykcyjne w modelu Random Forest (Breiman, 2001).

Dane referencyjne są zbierane za pomocą narzędzia internetowego TimeSync, które pomaga analitykom wizualizować i interpretować dane Landsat z lat 1984–obecnie (Cohen i in., 2010).

Dodatkowe materiały

W razie pytań lub próśb o konkretne dane skontaktuj się z [sm.fs.lcms@usda.gov]. * Breiman, L., 2001. Random Forests. w uczeniu maszynowym. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. i Tenneson, K., 2019 r. Empiryczne porównanie czujników MSI na satelitach Sentinel-2A i 2B, OLI na satelicie Landsat-8 oraz ETM na satelicie Landsat-7 pod względem charakterystyki spektralnej w szczycie atmosfery nad kontynentalną częścią Stanów Zjednoczonych. W zdalnym wykrywaniu środowiska. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z. i Kennedy, R., 2010. Wykrywanie trendów w zakłóceniach i regeneracji lasów za pomocą rocznych szeregów czasowych Landsat: 2. TimeSync – narzędzia do kalibracji i weryfikacji. W Remote Sensing of Environment. Science Direct, 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E. i Gorelick, N., 2018 r. Wielospektralny zespół LandTrendr do wykrywania zakłóceń w lasach. W Remote Sensing of Environment. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., Laue, B., 2017 r. Porównanie i weryfikacja algorytmu wykrywania chmur w przypadku operacyjnych produktów danych Landsat. W Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Gesch, D., Evans, G., Mauck, J., Hutchinson, J., & Carswell, W. J. 2009 r. The National Map - Elevation. In Fact Sheet, doi:10.3133/fs20093053

  • Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J. Huang, C., Joseph Hughes, M., Kennedy, R. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L. i Zhu, Z., 2018 r. Mapping forest change using stacked generalization: An ensemble approach (Mapowanie zmian w lasach za pomocą uogólnienia warstwowego: podejście zespołowe). W Remote Sensing of Environment. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z. i Cohen, W. B., 2010. Wykrywanie trendów w zakłóceniach i regeneracji lasów na podstawie rocznych szeregów czasowych danych z satelity Landsat: 1. LandTrendr – algorytmy segmentacji czasowej. W Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008

  • Kennedy, R., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W. i Healey, S., 2018 r. Implementacja algorytmu LandTrendr w Google Earth Engine. w teledetekcji. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Dostępne na stronie: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CA.

  • Zhu, Z., and Woodcock, C. E. (2012). Wykrywanie chmur i cieni chmur na zdjęciach satelitarnych Landsat na podstawie obiektów. W Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014. Ciągłe wykrywanie zmian i klasyfikacja pokrycia terenu z użyciem wszystkich dostępnych danych z satelity Landsat. W Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011

Pasma

Pasma

Rozmiar piksela: 30 m (wszystkie pasma)

Nazwa Rozmiar piksela Opis
Change 30 metrów

Final thematic LCMS change product. W przypadku każdego roku mapowane są 3 klasy zmian (powolna utrata, szybka utrata i przyrost). Każda klasa jest prognozowana za pomocą oddzielnego modelu lasu losowego, który zwraca prawdopodobieństwo (proporcję drzew w modelu lasu losowego), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 3 różne dane wyjściowe modelu dla każdego roku. Ostateczne klasy są przypisywane do klasy zmian o najwyższym prawdopodobieństwie, które jest również powyżej określonego progu. Każdy piksel, który nie ma wartości powyżej odpowiedniego progu każdej klasy, jest przypisywany do klasy Stable.
Land_Cover 30 metrów

Końcowy tematyczny produkt pokrycia terenu LCMS. Łącznie 14 klas pokrycia terenu jest mapowanych co roku przy użyciu danych referencyjnych TimeSync i informacji spektralnych pochodzących ze zdjęć satelitarnych Landsat. Każda klasa jest prognozowana za pomocą osobnego modelu Random Forest, który zwraca prawdopodobieństwo (proporcję drzew w modelu Random Forest), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 14 różnych wyników modelu dla każdego roku, a ostateczne klasy są przypisywane do pokrycia terenu o najwyższym prawdopodobieństwie. 7 z 14 klas pokrycia terenu wskazuje pojedyncze pokrycie terenu, w którym dany typ pokrycia terenu zajmuje większość obszaru piksela, a żadna inna klasa nie zajmuje więcej niż 10% piksela. Dostępnych jest też 7 zajęć mieszanych. Są to piksele, w których dodatkowa klasa pokrycia terenu zajmuje co najmniej 10% powierzchni.
Land_Use 30 metrów

Końcowy tematyczny produkt LCMS dotyczący użytkowania gruntów. Łącznie 6 klas użytkowania gruntów jest mapowanych co roku na podstawie danych referencyjnych TimeSync i informacji spektralnych pochodzących ze zdjęć satelitarnych Landsat. Każda klasa jest prognozowana za pomocą osobnego modelu Random Forest, który zwraca prawdopodobieństwo (proporcję drzew w modelu Random Forest), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 6 różnych wyników modelu dla każdego roku, a klasy końcowe są przypisywane do użytkowania gruntu o najwyższym prawdopodobieństwie.
Change_Raw_Probability_Slow_Loss 30 metrów

Surowe, modelowane prawdopodobieństwo powolnej utraty w przypadku LCMS. Definicja: powolna utrata obejmuje te klasy z procesu zmian TimeSync:

  • Spadek strukturalny – obszar, na którym drzewa lub inne rośliny zdrewniałe zostały fizycznie zmienione przez niekorzystne warunki wzrostu spowodowane czynnikami nieantropogenicznymi lub niemechanicznymi. Tego typu utrata powinna zwykle tworzyć trend w sygnałach spektralnych (np. spadek NDVI, spadek wilgotności, wzrost SWIR itp.), ale trend może być subtelny. Spadek strukturalny występuje w środowiskach z roślinnością drzewiastą, najprawdopodobniej z powodu owadów, chorób, suszy, kwaśnych deszczów itp. Spadek strukturalny może obejmować defoliację, która nie powoduje śmiertelności, np. w przypadku inwazji brudnicy nieparki i zwójki jodłowej, które mogą ustąpić w ciągu 1–2 lat.

  • Spadek spektralny – wykres, na którym sygnał spektralny wykazuje trend w jednym lub większej liczbie pasm lub indeksów spektralnych (np. spadek NDVI, spadek wilgotności, wzrost SWIR itp.). Przykłady obejmują przypadki, w których: a) roślinność nieleśna lub niezdrewniała wykazuje trend sugerujący spadek (np.zmniejszenie NDVI, zmniejszenie wilgotności, zwiększenie SWIR itp.) lub b) roślinność zdrewniała wykazuje trend spadkowy, który nie jest związany z utratą roślinności zdrewniałej, np. gdy dojrzałe korony drzew zamykają się, co powoduje zwiększenie zacienienia, gdy skład gatunkowy zmienia się z drzew iglastych na liściaste lub gdy okres suchy (w przeciwieństwie do silniejszej, bardziej dotkliwej suszy) powoduje pozorny spadek wigoru, ale nie utratę materiału zdrewniałego ani powierzchni liści.
Change_Raw_Probability_Fast_Loss 30 metrów

Surowe prawdopodobieństwo utraty w modelu LCMS. Definicja: Szybka utrata obejmuje te klasy z procesu zmiany TimeSync interpretacja:

  • Pożar – obszar zmieniony przez pożar, niezależnie od przyczyny zapłonu (naturalnej lub antropogenicznej), stopnia nasilenia lub sposobu użytkowania gruntu.

  • Zbiory – obszar leśny, na którym drzewa, krzewy lub inna roślinność zostały wycięte lub usunięte przez człowieka. Przykłady to wycinka całkowita, wycinka ratunkowa po pożarach lub plagach owadów, przerzedzanie i inne metody zarządzania lasami (np. wycinka w celu uzyskania odnowienia naturalnego).

  • Mechaniczne – obszary nieleśne, na których drzewa, krzewy lub inna roślinność zostały mechanicznie usunięte lub wycięte za pomocą łańcuchów, skrobaków, kos, spycharek lub innych metod usuwania roślinności nieleśnej.

  • Wiatr/lód – obszar (niezależnie od sposobu użytkowania), na którym roślinność została zmieniona przez wiatr podczas huraganów, tornad, burz i innych niebezpiecznych warunków pogodowych, w tym przez marznący deszcz podczas burz lodowych.

  • Hydrologia – obszar, na którym powódź znacząco zmieniła pokrycie drzewami lub inne elementy pokrycia terenu niezależnie od sposobu użytkowania gruntu (np. nowe mieszanki żwiru i roślinności w korytach rzek i wokół nich po powodzi).

  • Zanieczyszczenia – teren (niezależnie od sposobu użytkowania) zmieniony przez ruch materiału naturalnego związany z osuwiskami, lawinami, wulkanami, spływami gruzowymi itp.

  • Inne – obszary lądowe (niezależnie od sposobu wykorzystania), w przypadku których trend spektralny lub inne dowody wskazują na wystąpienie zakłócenia lub zmiany, ale nie można określić ostatecznej przyczyny lub rodzaj zmiany nie pasuje do żadnej z kategorii procesu zmian zdefiniowanych powyżej.
Change_Raw_Probability_Gain 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa zysku. Definicja: obszar, na którym w ciągu co najmniej roku nastąpił wzrost pokrywy roślinnej w wyniku wzrostu i sukcesji. Dotyczy wszystkich obszarów, w których mogą wystąpić zmiany spektralne związane z odrastaniem roślinności. Na obszarach zabudowanych wzrost może wynikać z dojrzewania roślinności lub nowo założonych trawników i ogrodów. W lasach wzrost obejmuje wzrost roślinności na nieużytkach, a także wzrost drzew średnich i współdominujących oraz niżej położonych traw i krzewów. Segmenty wzrostu/regeneracji zarejestrowane po wycince lasu prawdopodobnie będą przechodzić przez różne klasy pokrycia terenu w miarę regeneracji lasu. Aby te zmiany można było uznać za wzrost lub regenerację, wartości spektralne powinny ściśle odpowiadać rosnącej linii trendu (np.dodatniemu nachyleniu, które po przedłużeniu do ok. 20 lat osiągnęłoby wartość ok .0, 10 jednostki NDVI) utrzymującej się przez kilka lat.
Land_Cover_Raw_Probability_Trees 30 metrów

Surowe, modelowane prawdopodobieństwo wystąpienia drzew w LCMS. Definicja: większość piksela stanowią żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 metrów

Surowe prawdopodobieństwo modelowane LCMS dla mieszanki wysokich krzewów i drzew (tylko SEAK). Definicja: większość piksela zajmują krzewy o wysokości powyżej 1 m, a co najmniej 10% stanowią żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki krzewów i drzew. Definicja: większość piksela stanowią krzewy, a co najmniej 10% – żywe lub martwe stojące drzewa.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki traw, roślin zielnych i drzew. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a także co najmniej 10% żywych lub stojących martwych drzew.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia nieużytków i mieszanki drzew. Definicja: większość piksela to odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary trwale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się w co najmniej 10% z żywych lub martwych drzew.
Land_Cover_Raw_Probability_Tall-Shrubs 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania wysokich krzewów (tylko południowo-wschodnia Alaska). Definicja: większość piksela zajmują krzewy o wysokości powyżej 1 m.
Land_Cover_Raw_Probability_Shrubs 30 metrów

Surowe prawdopodobieństwo występowania krzewów w modelu LCMS. Definicja: większość piksela stanowią krzewy.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 metrów

Surowe prawdopodobieństwo wystąpienia mieszanki traw, roślin zielnych i krzewów w modelu LCMS. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a także co najmniej 10% – krzewy.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki Barren and Shrubs. Definicja: większość piksela to odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary trwale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się w co najmniej 10% z krzewów.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 metrów

Surowe prawdopodobieństwo wystąpienia trawy/rośliny zielnej/zioła w modelu LCMS. Definicja: większość piksela zajmują trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 metrów

Surowe modelowane prawdopodobieństwo LCMS dla kategorii Barren i Grass/Forb/Herb Mix. Definicja: większość piksela zajmuje goła gleba odsłonięta w wyniku zaburzeń (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary trwale jałowe, takie jak pustynie, wyschnięte jeziora, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się w co najmniej 10% z wieloletnich traw, roślin zielnych lub innych form roślinności zielnej.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 metrów

Surowe prawdopodobieństwo modelu LCMS dla obszarów nieużytków lub nieprzepuszczalnych. Definicja: większość piksela to 1) odsłonięta gleba, która została odsłonięta w wyniku zaburzeń (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasów), a także obszary stale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki lub 2) materiały wytworzone przez człowieka, przez które woda nie może przenikać, takie jak drogi utwardzone, dachy i parkingi.
Land_Cover_Raw_Probability_Snow-or-Ice 30 metrów

Surowe prawdopodobieństwo wystąpienia śniegu lub lodu w modelu LCMS. Definicja: większość piksela zajmuje śnieg lub lód.
Land_Cover_Raw_Probability_Water 30 metrów

Surowe dane LCMS modelowane jako prawdopodobieństwo wystąpienia wody. Definicja: większość pikseli składa się z wody.
Land_Use_Raw_Probability_Agriculture 30 metrów

Surowe, modelowane przez LCMS prawdopodobieństwo wystąpienia rolnictwa. Definicja: grunty wykorzystywane do produkcji żywności, włókien i paliw, które są pokryte roślinnością lub nie. Obejmuje to między innymi uprawne i nieuprawne grunty rolne, łąki, sady, winnice, fermy zwierząt, a także obszary obsadzone w celu produkcji owoców, orzechów lub jagód. Drogi wykorzystywane głównie do celów rolniczych (tj. nieużywane do transportu publicznego między miastami) są uważane za grunty rolne.
Land_Use_Raw_Probability_Developed 30 metrów

Surowe prawdopodobieństwo opracowania modelu LCMS. Zdefiniowane jako: teren pokryty konstrukcjami stworzonymi przez człowieka (np. gęsta zabudowa mieszkaniowa, handlowa, przemysłowa, górnicza lub transportowa) lub mieszanka roślinności (w tym drzew) i konstrukcji (np. rzadka zabudowa mieszkaniowa, trawniki, obiekty rekreacyjne, cmentarze, korytarze transportowe i użytkowe itp.), w tym wszelkie tereny funkcjonalnie zmienione przez działalność człowieka.
Land_Use_Raw_Probability_Forest 30 metrów

Surowe prawdopodobieństwo wystąpienia lasu w modelu LCMS. Definicja: obszar, na którym rosną drzewa lub który jest pokryty naturalną roślinnością i który w pewnym momencie w najbliższej przyszłości będzie (lub prawdopodobnie będzie) miał zagęszczenie drzew wynoszące co najmniej 10%. Mogą one obejmować lasy naturalne liściaste, iglaste lub mieszane, plantacje leśne i zadrzewione tereny podmokłe.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 metrów

Surowe, modelowane prawdopodobieństwo wystąpienia terenów podmokłych nieleśnych w LCMS. Definicja: tereny przylegające do widocznego poziomu wód gruntowych lub znajdujące się w jego obrębie (trwale lub sezonowo nasycone wodą), na których dominują krzewy lub trwałe rośliny wynurzone. Mogą one znajdować się na brzegach jezior, kanałów rzecznych lub estuariów, na terenach zalewowych rzek, w odizolowanych zlewniach lub na zboczach. Mogą też występować jako zagłębienia na preriach, rowy odwadniające i stawy w krajobrazie rolniczym, a także jako wyspy na środku jezior lub rzek. Inne przykłady to bagna, torfowiska, moczary, grzęzawiska, muskegi, mokradła, trzęsawiska i rozlewiska.
Land_Use_Raw_Probability_Other 30 metrów

Surowe prawdopodobieństwo Other (inne) w modelu LCMS. Definicja: obszar (niezależnie od sposobu użytkowania), w którym trend spektralny lub inne dowody wskazują na wystąpienie zakłócenia lub zmiany, ale nie można określić ostatecznej przyczyny lub rodzaj zmiany nie pasuje do żadnej z kategorii procesu zmiany zdefiniowanych powyżej.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 metrów

Surowe prawdopodobieństwo LCMS modelowane dla terenów trawiastych lub pastwisk. Definicja: ta klasa obejmuje każdy obszar, który: a) pastwiska, na których roślinność składa się z mieszanki rodzimych traw, krzewów, ziół i roślin podobnych do traw, w dużej mierze wynikających z czynników i procesów naturalnych, takich jak opady, temperatura, wysokość nad poziomem morza i pożary, chociaż ograniczone zarządzanie może obejmować kontrolowane wypalanie, a także wypasanie przez domowe i dzikie roślinożercy; lub b) Pastwisko, na którym roślinność może obejmować mieszankę w dużej mierze naturalnych traw, roślin zielnych i ziół, a także bardziej kontrolowaną roślinność zdominowaną przez gatunki traw, które zostały zasiane i są zarządzane w celu utrzymania niemal monokultury.
QA_Bits 30 metrów

Informacje dodatkowe o pochodzeniu rocznych wartości wyjściowych usługi LCMS.

Zmień tabelę zajęć

Wartość Kolor Opis
1 #3d4551

Stabilny
2 #f39268

Powolna utrata
3 #d54309

Szybka utrata
4 #00a398

Wzmocnienie
5 #1b1716

Maska obszaru nieprzetwarzanego

Tabela klas Land_Cover

Wartość Kolor Opis
1 #005e00

drzewa,
2 #008000

Mieszanka wysokich krzewów i drzew (tylko SEAK)
3 #00cc00

Mieszanka krzewów i drzew
4 #b3ff1a

Mieszanka traw, ziół i drzew
5 #99ff99

Barren & Trees Mix
6 #b30088

Wysokie krzewy (tylko SEAK)
7 #e68a00

Krzewy
8 #ffad33

Mieszanka traw, roślin zielnych i krzewów
9 #ffe0b3

Mieszanka na nieużytki i krzewy
10 #ffff00

Trawa/roślina zielna/zioło
11 #aa7700

Mieszanka jałowa i traw/roślin zielnych
12 #d3bf9b

Nieurodzajna lub nieprzepuszczalna
13 #ffffff

Śnieg lub lód
14 #4780f3

Woda
15 #1b1716

Maska obszaru nieprzetwarzanego

Tabela klas Land_Use

Wartość Kolor Opis
1 #efff6b

Rolnictwo
2 #ff2ff8

Opracowane
3 #1b9d0c

Las
4 #97ffff

Nieleśne tereny podmokłe
5 #a1a1a1

Inne
6 #c2b34a

Pastwiska lub łąki
7 #1b1716

Maska obszaru nieprzetwarzanego

Właściwości obrazu

Właściwości obrazu

Nazwa Typ Opis
study_area CIĄG ZNAKÓW

LCMS obejmuje obecnie kontynentalną część Stanów Zjednoczonych, południowo-wschodnią Alaskę oraz Portoryko i Wyspy Dziewicze Stanów Zjednoczonych. Ta wersja zawiera dane wyjściowe z całych Stanów Zjednoczonych kontynentalnych i południowo-wschodniej Alaski. Możliwe wartości: „CONUS, SEAK”

Warunki korzystania z usługi

Warunki korzystania z usługi

USDA Forest Service nie udziela żadnych gwarancji, wyraźnych ani dorozumianych, w tym gwarancji przydatności handlowej i przydatności do określonego celu, ani nie ponosi żadnej odpowiedzialności prawnej za dokładność, wiarygodność, kompletność ani użyteczność tych danych geoprzestrzennych ani za ich nieprawidłowe lub niepoprawne wykorzystanie. Te dane geoprzestrzenne i powiązane z nimi mapy lub grafiki nie są dokumentami prawnymi i nie są przeznaczone do wykorzystania w tym charakterze. Danych i map nie można używać do określania tytułu, własności, opisów prawnych ani granic, jurysdykcji prawnej ani ograniczeń, które mogą obowiązywać na gruntach publicznych lub prywatnych. Zagrożenia naturalne mogą być lub nie być przedstawione na danych i mapach, a użytkownicy gruntów powinni zachować należytą ostrożność. Dane są dynamiczne i mogą się z czasem zmieniać. Użytkownik jest odpowiedzialny za sprawdzenie ograniczeń danych geoprzestrzennych i odpowiednie wykorzystanie tych danych.

Dane te zostały zebrane przy użyciu środków finansowych rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień lub opłat. Jeśli używasz tych danych w publikacji, prezentacji lub innym produkcie badawczym, podaj następujące źródło:

USDA Forest Service. 2022. USFS Landscape Change Monitoring System v2021.7 (kontynentalna część Stanów Zjednoczonych i południowo-wschodnia Alaska). Salt Lake City, Utah.

Cytaty

Cytowanie:

  • USDA Forest Service. 2022. USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.

Odkrywaj za pomocą Earth Engine

Edytor kodu (JavaScript)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2021-7');

var lcms = dataset.filterDate('2020', '2021')  // range: [1985, 2021]
               .filter('study_area == "CONUS"')  // or "SEAK"
               .first();

Map.addLayer(lcms.select('Land_Cover'), {}, 'Land Cover');
Map.addLayer(lcms.select('Land_Use'), {}, 'Land Use');
Map.addLayer(lcms.select('Change'), {}, 'Vegetation Change', false);

Map.setCenter(-98.58, 38.14, 4);
Otwórz w edytorze kodu
Ten produkt jest częścią pakietu danych systemu monitorowania zmian krajobrazu (LCMS). Wyświetla zmiany modelowane za pomocą LCMS, pokrycie terenu lub klasy użytkowania terenu w poszczególnych latach. Ta wersja LCMS obejmuje kontynentalne Stany Zjednoczone (CONUS) i południowo-wschodnią Alaskę (SEAK). LCMS to system oparty na teledetekcji, służący do mapowania i monitorowania krajobrazu…
USFS/GTAC/LCMS/v2021-7, zmiany,wykrywanie zmian,las,gtac,pokrycie terenu,pochodne danych z Landsata,użytkowanie terenu,użytkowanie terenu i pokrycie terenu,redcastle-resources,rmrs,pochodne danych z Sentinel-2,szeregi czasowe,usda,usfs
1985-06-01T00:00:00Z/2021-09-30T00:00:00Z
20,38379 –135,286387 52,459364 –56,446306
Google Earth Engine